本地信息隐私及其在隐私保护数据聚合中的应用
密码学与安全
2020-12-01 v2 数据库
信息论
系统与控制
系统与控制
math.IT
摘要
本文研究本地信息隐私（LIP），并设计基于 LIP 的机制，以在无可信第三方的情况下保护用户隐私并实现统计聚合。LIP 中融入了上下文感知概念，可视为对敌手背景知识的显式建模。它使得利用先验分布设计隐私保护机制成为可能，从而潜在地比本地差分隐私（LDP）等无上下文概念实现更好的效用—隐私权衡。我们提出一个优化框架，在满足 LIP 约束的同时，最小化数据聚合中的均方误差，并保护每个个体用户输入数据或相关隐变量的隐私。接着，我们研究两类不同应用：（加权）求和与直方图估计，并基于随机响应型机制推导出各情形下最优的上下文感知数据扰动参数。我们进一步比较 LIP 与 LDP 的效用—隐私权衡，并从理论上解释为何引入先验知识扩大了扰动参数的可行域，从而带来更高效用。我们还将基于 LIP 的隐私机制推广到无法获得精确先验知识的更一般情况。最后，我们使用合成与真实世界数据通过仿真验证分析。结果表明，我们的基于 LIP 的隐私机制提供了优于 LDP 的效用—隐私权衡，且当先验分布更偏斜时 LIP 的优势更为显著。
引用
@article{arxiv.2001.02385,
title = {Local Information Privacy and Its Application to Privacy-Preserving Data Aggregation},
author = {Bo Jiang and Ming Li and Ravi Tandon},
journal= {arXiv preprint arXiv:2001.02385},
year = {2020}
}